CN108986045A - 一种基于稀疏表示的误差校正跟踪方法 - Google Patents
一种基于稀疏表示的误差校正跟踪方法 Download PDFInfo
- Publication number
- CN108986045A CN108986045A CN201810702376.5A CN201810702376A CN108986045A CN 108986045 A CN108986045 A CN 108986045A CN 201810702376 A CN201810702376 A CN 201810702376A CN 108986045 A CN108986045 A CN 108986045A
- Authority
- CN
- China
- Prior art keywords
- tracking
- template
- frame
- weight
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 6
- 239000012141 concentrate Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于稀疏表示的误差校正跟踪方法,其特征在于,在原有的粒子滤波稀疏跟踪框架下,增添了对采样图像误差校正,通过迭代估计形变因子,修正了在观测过程中产生的偏差,从而提高了模板集的有效性,提升跟踪精度,用来解决观测过程中因为图像未对准所造成的固有偏差,实现图像对准,从而得到更为准确的跟踪结果,实现了目标在光照变换,尺度变化,快速运动情况下的鲁棒跟踪。
Description
技术领域
本发明涉及一种误差校正目标跟踪算法方法,属于模式识别技术领域。
背景技术
目标跟踪在计算机视觉领域中的一个核心问题,在如智能交通,军事指导,视频监控,交通导航,人机交互等领域都有着重要应用。例如,在人流密集的公共场所进行视频监控,目标跟踪技术可以很好的配合有关部门应对突发事件;在军事领域,无人机可以利用目标跟踪技术实现对军事目标的精准打击;可穿戴智能设备的发展,使得计算机能够识别并跟踪人体的手势、肢体动作,增添人机互动体验的乐趣。因此目标跟踪技术作为上述领域的核心技术之一,对其进行深入的研究具备广泛的应用前景与现实意义。
近些年来,虽然学者们在实现这一技术上多有建树,但在现阶段,目标跟踪技术仍然面临几个方面的困扰,如光照变化,背景相似干扰,目尺度变化,遮挡,姿态变化,快速运动等。Mei和Ling首次将稀疏表示应用于解决目标跟踪问题,提出了一种利用模板表示的求解L1最小化的跟踪算法。在该方法中,利用了目标模板和若干个这当模板共同构成过完备字典,并根据字典元素的线性组合描述目标的外观,通过求解L1最小获取稀疏表示系数向量,进而求得具有最小重构误差的候选样本,得到最优的跟踪结果。该方法虽然可以取得很好的跟踪效果,但由于在解决L1最小化问题时计算量过大,算法的效率不能达到要求。在此基础上,Mei对其改进,通过减小候选样本提升了算法效率,随后Bao在此基础上,在求解L1最小化的环节上使用了加速梯度下降算法降低计算成本,使算法可以实现实时跟踪。虽然上述算法在解决遮挡问题时具备一定的优势,但是由于对于目标外观模型的变化描述不够准确,造成跟踪器漂移。为此本发明通过优化目标外观表示模型,在借助稀疏模型很好的处理外部遮挡的特性的基础上,解决目标因自身位姿变化等内部因素影响跟踪精度的难题。
发明内容
本发明的目的在于提供一种基于稀疏表示的误差校正目标跟踪算法,用来解决观测过程中因为图像未对准所造成的固有偏差,通过对目标的观测图像进行误差校正,实现图像对准,从而得到更为准确的跟踪结果,实现了目标在光照变换,尺度变化,快速运动情况下的鲁棒跟踪。
本发明的技术方案是这样实现的:一种基于稀疏表示的误差校正跟踪方法,其特征在于:通过迭代估计形变因子对采样图像误差校正,修正了在观测过程中产生的偏差,其具体步骤如下:
步骤1.在视频序列的第一帧,人工标记待跟踪目标区域,在当前区域确定包含t个模板集T,在除第一帧以外的后续帧中,对于当前帧,按照预先设定好的粒子数目进行采样,获取n个带有权重的粒子,并根据这些粒子,得到对应数目的图像,记为候选样本对应集合表示为Y,将每个候选样本标准归一化为一维列向量,拼接所有的列向量,构建初始目标字典矩阵A,同时,考虑到噪声、遮挡等外部环境对跟踪的影响,引入多个单位矩阵I共同组成字典即本处理过程基于惯用技术粒子滤波采样方式完成,表示为
其中C表示稀疏系数矩阵;
步骤2.,构造稀疏表示模型
其中,i代表粒子编号,表示将观测向量利用字典B线表性示的稀疏表示系数,表示在第t帧中第i个粒子,λ表示约束系数稀疏度的标量;
步骤3.考虑到观测到的候选样本可能受到某些外在因素干扰,因此假设所观观测样本是受到某些二维变换τ所得,记为y=y0οτ-1,
y表示实际观测图像,y0表示理想状态下的观测图像,τ表示为一种作用于图像域的有限维度变换集G中的某一类变换,如:特殊的欧几里得变换,二维仿射变换,描述平面对象透视图中失真问题的通用线性表达;τ通过以下分量构成:τ=(τ1,τ2,τ3,τ4),
从左至右,四个分量分别表示x轴方向变量,y轴方向变量,旋转角度,尺度因子;
步骤4.求解变换τ的问题转化为求非凸函数最优解问题,通过以下公式求解
步骤5.不断迭代线性估计并求解τ的值,方法如下:
其中,表示雅可比矩阵,Δτ表示是变换因子τ中的某一步变换,表示标准、归一化处理;
步骤6.根据τj+1=τj+Δτ更新τ的值,直至算法达到收敛;
步骤7.通过步骤5,在观测集Y中计算并选出S个使||e||1值最小的候选样本,记为k1,k2,···,ks,根据选取步骤6中所述每个样本对应的形变因子取其平均值作为最终形变因子
步骤8.通过更新候选样本,同时更新步骤7中所述样本对应的形变因子τi=τi·τ-1;
步骤9.求解L1最小化问题,通过求得稀疏表示系数
步骤10.根据公式求解重构误差,选取值最小的样本作为最终跟踪结果;
步骤11.在对视频序列帧进行跟踪时,为了确保跟踪精度,需要对模板进行有效的更新,具体更新方式可以是:为模板集中的每一个模板引入权重θi,该权重值正比于成为跟踪结果的可能性,在序列第一帧时,每个模板对应的权重为后续跟踪过程中,模板权重可由计算得到;
步骤12.计算当前帧跟踪结果y和具备最大稀疏表示系数的模板tmax之间的相似度,若小于某一设定阈值,则不更新,反之,则将跟踪结果y替换掉模板集中权重最小的模板,然后,计算剩余t-1个模板所对应权值的平均值,并赋给新的模板,最后,对更新后的模板集中各个权值进行标准化操作
步骤13.重复步骤3到步骤12所述操作直至序列结束。
本发明的积极效果是在原有的粒子滤波稀疏跟踪框架下,增添了对采样图像误差校正,通过迭代估计形变因子,修正了在观测过程中产生的偏差,从而提高了模板集的有效性,提升跟踪精度;基于稀疏表示的目标跟踪方法,在构建稀疏表示模型之后,增加了对观测向量集的误差校正操作,从而使模板的组成更为精确,进一步提高跟踪结果的精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步的描述:
为了使本技术领域的人员更好地理解本发明的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更为完整的表述。
结合图1,为本发明实施例提供的一种基于稀疏表示的误差校正跟踪方法的流程图,具体方法包括如下步骤:
步骤1.在视频序列的第一帧,人工标记待跟踪目标区域,在当前区域确定包含t个模板集T,在除第一帧以外的后续帧中,对于当前帧,按照预先设定好的粒子数目进行采样,获取n个带有权重的粒子,并根据这些粒子,得到对应数目的图像,记为候选样本对应集合表示为Y,将每个候选样本标准归一化为一维列向量,拼接所有的列向量,构建初始目标字典矩阵A,同时,考虑到噪声、遮挡等外部环境对跟踪的影响,引入多个单位矩阵I共同组成字典(本处理过程基于惯用技术粒子滤波采样方式完成,本发明中采样的粒子数目设置为n=600),表示为
构建稀疏表示模型
其中,表示模板集的稀疏表示系数,表示琐碎模板集表示系数,A表示稀疏系数矩阵C,表示稀疏系数集矩阵。
步骤2.构造稀疏表示模型
其中,i代表粒子编号,表示将观测向量利用字典B线表性示的稀疏表示系数,表示在第t帧中第i个粒子,λ表示约束系数稀疏度的标量
步骤3.在多幅图像中,由于相机和目标的相对位置往往是不固定的,所以即便在相机相对于物体的位置或者姿态的适度变化下,同一物体或场景的图像也会明显不同。因此,获取的观测图像在一定程度上引入了某些误差,假设这些误差仅存在于所视图像范围内,这种变化表示为
y=y0οτ-1,τ∈G
其中,y表示实际观测图像,y0表示理想状态下的观测图像,τ表示为一种作用于图像域的有限维度变换集G中的某一类变换,如:特殊的欧几里得变换,二维仿射变换,描述平面对象透视图中失真问题的通用线性表达等。τ通过以下分量构成
τ=(τ1,τ2,τ3,τ4)
分别表示x轴方向变化,y轴方向变化,旋转角度,尺度因子。
步骤4.进一步,求解变换τ的问题转化为求非凸函数最优解问题,通过以下公式求解
步骤5.由于求解变换问题仍然是一个非凸函数最优化问题,对此,解决方法如下:
其中,Δτ表示τ中的某一个步骤,表示对观测图像进行标准、归一化操作后的图像,J表示雅可比行列式
步骤6.不断线性迭代估计并更新τ的值,直至算法收敛,更新方法参照如下公式
τj+1=τj+Δτ
步骤7.在观测集中选出前S个(本发明中S=10)||e||1值最小的候选样本,记为k1,k2,···,ks,并对其相应的形变因子取平均值,方式如下:
其中,表示观测向量kp所对应的形变因子步骤8.更新观测向量,更新形变因子,公式如下:
τi=τi·τ-1
步骤9.求解L1最小化问题,得出步骤2中的稀疏表示系数
步骤10.求解重构误差选择使值最小的样本作为最终跟踪结果,方法如下:
步骤11.在对视频序列帧进行跟踪时,为了确保跟踪精度,需要对模板进行有效的更新。具体更新方式可以是:为模板集中的每一个模板引入权重θi,该权重值正比于成为跟踪结果的可能性,在序列第一帧时,本发明设置模板数目为10,所以初始状态下每个模板对应的权重为θ=0.1。后续跟踪过程中,模板权重可由计算得到。
步骤12.计算当前帧跟踪结果y和具备最大稀疏表示系数的模板tmax之间的相似度,若小于某一设定阈值,则不更新,反之,则将跟踪结果y替换掉模板集中权重最小的模板,然后,计算剩余t-1个模板所对应权值的平均值,并赋给新的模板,最后,对更新后的模板集中各个权值进行标准化操作
步骤13.继续读取下一帧图像,重复步骤3到步骤12的操作,直至序列结束本发明一种基于稀疏表示的误差校正目标跟踪方法,在建立稀疏表示模型后,增添了对观测向量集的误差校正操作,从而使字典的表述更为精确,进一步提高跟踪结果的精度。
以上对本发明所提供的一种基于稀疏表示的目标跟踪方法进行了详细介绍,并从原理和具体实施方式分别进行描述,用于帮助理解本发明的方法以及其核心思想。
Claims (1)
1.一种基于稀疏表示的误差校正跟踪方法,其特征在于:通过迭代估计形变因子对采样图像误差校正,修正了在观测过程中产生的偏差,其具体步骤如下:
步骤1.在视频序列的第一帧,人工标记待跟踪目标区域,在当前区域确定包含t个模板集T,在除第一帧以外的后续帧中,对于当前帧,按照预先设定好的粒子数目进行采样,获取n个带有权重的粒子,并根据这些粒子,得到对应数目的图像,记为候选样本对应集合表示为Y,将每个候选样本标准归一化为一维列向量,拼接所有的列向量,构建初始目标字典矩阵A,同时,考虑到噪声、遮挡等外部环境对跟踪的影响,引入多个单位矩阵I共同组成字典即本处理过程基于惯用技术粒子滤波采样方式完成,表示为
其中C表示稀疏系数矩阵;
步骤2.,构造稀疏表示模型
其中,i代表粒子编号,表示将观测向量利用字典B线表性示的稀疏表示系数,表示在第t帧中第i个粒子,λ表示约束系数稀疏度的标量;
步骤3.考虑到观测到的候选样本可能受到某些外在因素干扰,因此假设所观观测样本是受到某些二维变换τ所得,记为y=y0oτ-1,
y表示实际观测图像,y0表示理想状态下的观测图像,τ表示为一种作用于图像域的有限维度变换集G中的某一类变换,如:特殊的欧几里得变换,二维仿射变换,描述平面对象透视图中失真问题的通用线性表达;τ通过以下分量构成:τ=(τ1,τ2,τ3,τ4),
从左至右,四个分量分别表示x轴方向变量,y轴方向变量,旋转角度,尺度因子;
步骤4.求解变换τ的问题转化为求非凸函数最优解问题,通过以下公式求解
步骤5.不断迭代线性估计并求解τ的值,方法如下:
其中,表示雅可比矩阵,Δτ表示是变换因子τ中的某一步变换,表示标准、归一化处理;
步骤6.根据τj+1=τj+Δτ更新τ的值,直至算法达到收敛;
步骤7.通过步骤5,在观测集Y中计算并选出S个使||e||1值最小的候选样本,记为k1,k2,…,ks,根据选取步骤6中所述每个样本对应的形变因子取其平均值作为最终形变因子
步骤8.通过更新候选样本,同时更新步骤7中所述样本对应的形变因子τi=τi·τ-1;
步骤9.求解L1最小化问题,通过求得稀疏表示系数
步骤10.根据公式求解重构误差,选取值最小的样本作为最终跟踪结果;
步骤11.在对视频序列帧进行跟踪时,为了确保跟踪精度,需要对模板进行有效的更新,具体更新方式可以是:为模板集中的每一个模板引入权重θi,该权重值正比于成为跟踪结果的可能性,在序列第一帧时,每个模板对应的权重为后续跟踪过程中,模板权重可由计算得到;
步骤12.计算当前帧跟踪结果y和具备最大稀疏表示系数的模板tmax之间的相似度,若小于某一设定阈值,则不更新,反之,则将跟踪结果y替换掉模板集中权重最小的模板,然后,计算剩余t-1个模板所对应权值的平均值,并赋给新的模板,最后,对更新后的模板集中各个权值进行标准化操作
步骤13.重复步骤3到步骤12所述操作直至序列结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810702376.5A CN108986045A (zh) | 2018-06-30 | 2018-06-30 | 一种基于稀疏表示的误差校正跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810702376.5A CN108986045A (zh) | 2018-06-30 | 2018-06-30 | 一种基于稀疏表示的误差校正跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986045A true CN108986045A (zh) | 2018-12-11 |
Family
ID=64539667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810702376.5A Pending CN108986045A (zh) | 2018-06-30 | 2018-06-30 | 一种基于稀疏表示的误差校正跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986045A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000838A1 (zh) * | 2020-07-03 | 2022-01-06 | 南京莱斯信息技术股份有限公司 | 基于马尔可夫随机场的远程塔台视频目标挂标牌方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116896A (zh) * | 2013-03-07 | 2013-05-22 | 中国科学院光电技术研究所 | 一种基于视觉显著性模型的自动检测跟踪方法 |
EP2790130A1 (en) * | 2013-04-08 | 2014-10-15 | Cogisen SRL | Method for object recognition |
CN107784664A (zh) * | 2017-12-05 | 2018-03-09 | 韶关学院 | 一种基于k稀疏的快速鲁棒目标跟踪方法 |
-
2018
- 2018-06-30 CN CN201810702376.5A patent/CN108986045A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116896A (zh) * | 2013-03-07 | 2013-05-22 | 中国科学院光电技术研究所 | 一种基于视觉显著性模型的自动检测跟踪方法 |
EP2790130A1 (en) * | 2013-04-08 | 2014-10-15 | Cogisen SRL | Method for object recognition |
CN107784664A (zh) * | 2017-12-05 | 2018-03-09 | 韶关学院 | 一种基于k稀疏的快速鲁棒目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
CHENGLONG BAO 等: "Robust Visual Tracking using l1 Minimization", 《2009 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
SHAN JIANG 等: "An Efficient Misalignment Method for Visual Tracking Based on Sparse Representation", 《IEICE TRANS. INF. & SYST.》 * |
孙伟,郭宝龙: "一种伪粒子滤波的多目标跟踪方法", 《西安电子科技大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000838A1 (zh) * | 2020-07-03 | 2022-01-06 | 南京莱斯信息技术股份有限公司 | 基于马尔可夫随机场的远程塔台视频目标挂标牌方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160379375A1 (en) | Camera Tracking Method and Apparatus | |
WO2020172783A1 (zh) | 一种用于经颅磁刺激诊疗的人头姿态跟踪系统 | |
CN109754432A (zh) | 一种相机自动标定方法及光学动作捕捉系统 | |
CN104036542B (zh) | 一种基于空间光线聚集性的像面特征点匹配方法 | |
CN109166077A (zh) | 图像对齐方法、装置、可读存储介质及计算机设备 | |
CN108615244A (zh) | 一种基于cnn和深度滤波器的图像深度估计方法及系统 | |
Kanatani et al. | Unified computation of strict maximum likelihood for geometric fitting | |
Tjahjadi et al. | Precise wide baseline stereo image matching for compact digital cameras | |
CN110243339A (zh) | 一种单目摄像头定位方法、装置、可读存储介质及电子终端 | |
Popov et al. | Optical flow and inertial navigation system fusion in the UAV navigation | |
CN112907557A (zh) | 道路检测方法、装置、计算设备及存储介质 | |
CN107845096A (zh) | 基于图像的行星三维信息测定方法 | |
CN108986045A (zh) | 一种基于稀疏表示的误差校正跟踪方法 | |
CN107330934B (zh) | 低维度的集束调整计算方法与系统 | |
CN115830675B (zh) | 一种注视点跟踪方法、装置、智能眼镜及存储介质 | |
CN109754435B (zh) | 一种基于小靶标模糊图像的摄像机在线标定方法 | |
Chen et al. | Mismatch removal via coherent spatial relations | |
Wu et al. | A camera calibration method based on OpenCV | |
KR20200142392A (ko) | 동위의 3차원 마커 사이의 회전 및 이동 위치 추정 방법 | |
Liu et al. | Integrated velocity measurement algorithm based on optical flow and scale-invariant feature transform | |
CN110069131B (zh) | 一种基于近红外光圆斑检测的多指尖定位方法 | |
Xu et al. | Research on target tracking algorithm based on parallel binocular camera | |
Migita et al. | One-dimensional search for reliable epipole estimation | |
CN112102401A (zh) | 一种目标定位方法、装置、系统、设备及存储介质 | |
Antone | Robust camera pose recovery using stochastic geometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181211 |